水質(zhì)監(jiān)測(cè)是環(huán)境保護(hù)的重要組成部分，電活性生物膜（EAB）傳感器憑借其高靈敏度、快速響應(yīng)和低成本優(yōu)勢(shì)，已廣泛應(yīng)用于水污染監(jiān)測(cè)。然而，傳統(tǒng)EAB傳感器因其輸出的電信號(hào)為綜合響應(yīng)，難以在復(fù)雜水體中同時(shí)識(shí)別多種毒物。隨著計(jì)算機(jī)科學(xué)的發(fā)展，機(jī)器學(xué)習(xí)（ML）技術(shù)在環(huán)境污染評(píng)估中展現(xiàn)出巨大的潛力，為多毒物檢測(cè)提供了新的解決方案。

鑒于此，成都生物研究所功能菌種創(chuàng)制與生物質(zhì)高效利用創(chuàng)新團(tuán)隊(duì)基于已開(kāi)發(fā)的生物毒性EAB傳感器，成功構(gòu)建了復(fù)合污染物選擇性定量毒物預(yù)測(cè)模型（MEA-ANN）。該模型通過(guò)結(jié)合思維進(jìn)化算法和人工神經(jīng)網(wǎng)絡(luò)，提取了不同類(lèi)型水中毒物的電化學(xué)響應(yīng)數(shù)據(jù)并對(duì)其進(jìn)行分析，以評(píng)估模型在復(fù)雜水體中的預(yù)測(cè)性能（圖1）。通過(guò)與不同實(shí)際水樣（如河水、地下水、垃圾滲濾液等）的對(duì)比實(shí)驗(yàn)，研究驗(yàn)證了該模型的抗干擾性和實(shí)際適用性。

基于思維進(jìn)化算法與人工神經(jīng)網(wǎng)絡(luò)模型共驅(qū)動(dòng)的電化學(xué)生物傳感器選擇性定量監(jiān)測(cè)水體復(fù)合污染物

MEA-ANN模型是一種基于進(jìn)化計(jì)算的優(yōu)化算法，模擬人類(lèi)思維進(jìn)化過(guò)程，旨在解決復(fù)雜優(yōu)化問(wèn)題。人工神經(jīng)網(wǎng)絡(luò)（ANN）擅長(zhǎng)處理高維、非線(xiàn)性和復(fù)雜數(shù)據(jù)，而MEA能夠優(yōu)化ANN的結(jié)構(gòu)或參數(shù)，使得模型在非線(xiàn)性問(wèn)題上的表現(xiàn)更加穩(wěn)定和準(zhǔn)確。MEA與ANN結(jié)合時(shí)，利用MEA對(duì)神經(jīng)網(wǎng)絡(luò)的參數(shù)（如權(quán)重和偏置）進(jìn)行優(yōu)化，可以提高模型的預(yù)測(cè)性能和全局優(yōu)化能力。這給了我們啟發(fā)能否將其用于準(zhǔn)確識(shí)別多毒物系統(tǒng)中的不同毒物類(lèi)型，并實(shí)現(xiàn)毒物濃度的高效預(yù)測(cè)呢？研究結(jié)果顯示，對(duì)于Cd2?、Cr??、TCS和TCAA的預(yù)測(cè)準(zhǔn)確率分別為100%、97.8%、92.5%和86.07%，整體預(yù)測(cè)準(zhǔn)確率達(dá)到90.32%。與其他常見(jiàn)的機(jī)器學(xué)習(xí)模型（如隨機(jī)森林 RF、K 近鄰 KNN、支持向量機(jī) SVM）相比，MEA-ANN表現(xiàn)出顯著的優(yōu)勢(shì)。此外，通過(guò)進(jìn)一步優(yōu)化我們構(gòu)建了OMEA-ANN模型，使預(yù)測(cè)準(zhǔn)確性得到了提升，特別是在復(fù)雜環(huán)境中的毒物識(shí)別和定量預(yù)測(cè)能力。在此基礎(chǔ)上，我們進(jìn)一步通過(guò)平均響應(yīng)值算法篩選簡(jiǎn)化輸入特征參數(shù)以提高模型計(jì)算效率，結(jié)果表明，OMEA-ANN對(duì)毒物類(lèi)型的總體預(yù)測(cè)準(zhǔn)確率為92.68%。Cd2?、Cr??、TCS和TCAA的定性預(yù)測(cè)準(zhǔn)確率分別提高到100%、97.8%、95.6%和96.77%。在保證預(yù)測(cè)精度的同時(shí)，該優(yōu)化算法將模型的訓(xùn)練時(shí)間減少了17%，提高了計(jì)算效率，達(dá)到了模型優(yōu)化的目的。此外，我們?cè)u(píng)估了不同濃度的干擾毒物與不同濃度的目標(biāo)毒物混合時(shí)OMEA-ANN模型的預(yù)測(cè)精度，結(jié)果表明即使存在類(lèi)似干擾元素的情況下，OMEA-ANN模型也能準(zhǔn)確識(shí)別目標(biāo)毒物類(lèi)型并保持精確的定量能力。在此基礎(chǔ)上，我們探索了OMEA-ANN在實(shí)際水環(huán)境中的應(yīng)用潛力（圖2），進(jìn)一步驗(yàn)證了其在不同水樣中的可靠性和準(zhǔn)確性。本研究提出的新型智能水生態(tài)風(fēng)險(xiǎn)預(yù)警策略有效克服了傳統(tǒng)EAB傳感器的局限性，為水質(zhì)監(jiān)測(cè)提供了一種快速、精準(zhǔn)的解決方案，并顯著擴(kuò)大了EAB傳感器在多種水體中的應(yīng)用。

該研究成果已發(fā)表于環(huán)境領(lǐng)域權(quán)威期刊Environmental Science & Technology，題為“Selectively Quantify Toxic Pollutants in Water by Machine Learning Empowered Electrochemical Biosensor”。該論文第一作者/通訊作者為中國(guó)科學(xué)院成都生物研究所青年研究員汪婧婷，共同通訊作者為丹麥技術(shù)大學(xué)Yifeng Zhang教授。合作作者包括還包括四川農(nóng)業(yè)大學(xué)沈飛教授、生物所博士生鄭德聰、山地所博士生黃迪文等。本研究得到了國(guó)家自然科學(xué)基金、中國(guó)博士后科學(xué)基金等項(xiàng)目的資助。

本研究成果是團(tuán)隊(duì)近年來(lái)圍繞生物傳感器研發(fā)及其環(huán)境監(jiān)測(cè)中的應(yīng)用研究中（Water Research,2023;Biosensors and Bioelectronics,2023,2022），取得的又一重要進(jìn)展。上述系列研究成果為水質(zhì)監(jiān)測(cè)技術(shù)的進(jìn)步提供了重要支持，并為多污染物協(xié)同防治、水生態(tài)保護(hù)等領(lǐng)域提供了智慧決策技術(shù)。

原文連接：https://doi.org/10.1021/acs.est.4c09156

不同真實(shí)水樣和加標(biāo)天然水樣中OMEA-ANN模型的實(shí)用性。